بررسی روشهای تدریس سنتی و جدید و تاثیرآنها در یادگیری دانش آموزان دختر مقطع راهنمایی

عنوان تحقیق: بررسی روشهای تدریس سنتی و جدید و تاثیرآنها در یادگیری دانش آموزان دختر مقطع راهنمایی

فرمت فایل: word

تعداد صفحات: 34

شرح مختصر:

انتخاب روش تدریس یکی از مراحل مهم طراحی آموزشی است. معمولاً علم بعد از انتخاب محتوا و قبل از تعیین وسیله، باید خط‌مشی و روش مناسب تدریس خود را انتخاب کند؛ چون خط‌مشی معلم و روش تدریس او چگونگی فعالیت شاگردان را برای رسیدن به هدف‌های آموزشی مشخص می‌سازد.

در واقع، به مجموعه تدابیر منظمی که معلم برای رسیدن به هدف، با توجه به شرایط و امکانات، اتخاذ می‌کند روش تدریس می‌گویند.

معلم بدون شناخت روش‌های مختلف تدریس، هرگز به انتخاب صحیح آن نخواهد بود. او هر اندازه که با روش‌های تدریس آشنا باشد در موقعیت‌های مختلف برای رسیدن به مقاصد آموزشی، آزادی عمل بیشتری خواهد داشت.

اهمیت چنین تحقیقاتی کمکی برای تعیین مناسب بودن روشهای تدریس سنتی و جدید بوده .

فهرست مطالب

فصل اول. 1

مقدمه :2

اهمیت و ضرورت تحقیق.. 2

بیان مسئله :2

فرضیه تحقیق.. 2

سوال تحقیق.. 3

اهداف :3

تعاریف ، اصلاحا‌ت و واژه‌ها :3

فصل دوم. 5

ادبیات و پیشینه تحقیق.. 5

معرفی روش‌های مختلف تدریس:6

روش حفظ و تکرار:6

محاسن و محدودیت‌های روش حفظ و تکرار:6

الف) محاسن:6

ب) محدودیت‌ها:7

روش سخنرانی:7

مراحل اجرای روش سخنرانی:8

مرحله اول ، آمادکی برای سخنرانی.. 8

1- آمادگی از نظر تجهیزات:8

2- آمادگی عاطفی:8

3- آمادگی از نظر زمان:8

نتیجه‌گیری مقایسه. 9

محاسن و محدودیت‌های روش سخنرانی:12

ب) محدودیت‌ها:13

نتیجه. 14

روش پرسش و پاسخ.. 15

هدف از روش پرسش و پاسخ.. 15

محاسن و محدودیت‌های روش پرسش و پاسخ:16

روش گردش علمی.. 16

روش بحث گروهی.. 18

چه دروس و موضوعاتی را می‌توان با روش بحث گروهی تد ریس کرد؟. 18

مرحله دوم، روش اجرای بحث گروهی.. 20

تدرس خصوصی.. 24

آموزش برنامه ای (PI)24

ارزشیابی IPI و CAI و IGE وسایر روشها26

خلاصه. 27

اشکالات و معایب روش تدریس سنتی.. 27

فهرست منابع 30

یادگیری ماشین

عنوان پایان نامه: یادگیری ماشین (Machin learning)

پروژه پایانی دوره کارشناسی - رشته مهندسی نرم افزار

قالب بندی: word

تعداد صفحات: 172

فهرست مطالب:

1. فصل 1 یادگیری ماشین

1-1 چکیده

1-2 یادگیری چیست؟

1-3 نگاهی به فردا

1-4 یادگیری ماشین

1-4-1 هدف

1-5 ماشین یادگیرنده

1-5-1 روند تکاملی ماشین های یادگیرنده

1-5-2 انواع ماشین های یادگیرنده

1-5-3 اجزاء ماشین های یادگیرنده

1_5_4 مشکلات ماشین های یادگیرنده

1-6 روشهای یادگیری عامل

1-7 مسائل اساسی یادگیری

1-8 روند عملیاتی

1-9 قوانین یادگیری

1-9-1 روش AQ11

1-9-2روش CN2

1-9-3 درخت تصمیم

1-10 طراحی یک سیستم یادگیری

1-10-1 انتخاب Training Experience

1-10-2 انتخاب تابع هدف

1-10-3 انتخاب نحوه نمایش تابع هدف

1-10-4 انتخاب الگوریتم شبیه سازی

1-10-5 طراحی نهایی

1-11 کاربردهای ماشین های یادگیرنده

1-12 تکنیک های یادگیری ماشین

1-12-1 درخت تصمیم گیری

1-12-2 شبکه های عصبی

1-12-3 منطق فازی

1-12-4 یادگیری از طریق منطق مخاسباتی

1-12-5 محاسبات تکاملی

1-12-5-1 الگوریتم ژنتیک

1-12-6 یادگیری تقویتی

 فصل 2 داده کاوی

مقدمه

2-1 تعریف تئوریک از داده کاوی

2-2 جایگاه داده کاوی

2-2-1 چند واقعیت

2-3 مراحل یک فرایند داده کاوی

2-4 پایه های یک فرایند داده کاوی

2-5 کاربردهای داده کاوی

2-6 مقوله کاهش ابعاد داده

2-6-1 پروسه کشف دانش از پایگاه داده

2-6-2 ویژگی های KDD

2-6-3 استخراج داده ها

2-6-4 آماده کردن داده ها

2-6-5 مهندسی داده ها

2-6-6 مهندسی الگوریتم و تعیین استراتژی های کاوش

2-7 زبان های پرسشی داده کاوی

2-8 کلاسه بندی و پیشگویی داده ها

2-8-1 انواع روشهای کلاسه بندیگ

2-8-2 مراحل یک الگوریتم کلاسه بندی

2-8-3 ارزیابی روشهای کلاسه بندی

2-9 خوشه بندی

2-9-1 تعریف فرایند خوشه بندی

2-9-2 کیفیت خوشه بندی

2-9-3 روش ها و الگوریتم های خوشه بندی

2-9-4 دسته بندی ویژگی های الگوریتم های خوشه بندی

2-10 داده کاوی با استفاده از استنتاج و یادگیری بیزی

2-10-1 تئوری بیز

2-10-2 اصل طول توصیف مینیمم

2-10-3 الگوریتم Gibbs

2-10-4 طبقه بندی ساده بیزی

2-10-5 تخمین زدن احتمالات

2-10-6 الگوریتم EM

نتیجه گیری

 فصل 3 شبکه های عصبی

مقدمه

3-1 تاریخچه

3-2 ایده پیدایش شبکه های عصبی

3-3 پباهن با مغز

3-4 روش کار نرون ها

3-5 مدل ریاضی

3-6 پیاده سازی های الکترونیکی نرون ها مصنوعی

3-7 عملیات شبکه های عصبی

3-8 آموزش شبکه های عصبی

3-9 آموزش تطبیقی

3-10 تفاوت شبکه های عصبی با روش های محاسباتی متداول و سیستم های خبره

3-11 انواع یادگیری برای شبکه های عصبی

3-11-1 باناظر

3-11-2 تشدیدی

3-12 زمینه‌ای در مورد perceptron

3-12-1 قدرت protron

3-12-2 دنباله های protron

3-13 قضیه بنیادی دنباله ها

3-14 کاربردهای شبکه های عصبی مصنوعی

3-15 مزیت شبکه های عصبی

3-16 قوانین فعال سازی

نتیجه

 فصل 4 الگوریتم ژنتیک

مقدمه

4-1 الگوریتم ژنتیک چیست؟

4-2 طبیعت ایده اولیه

4-3 رابطه تکامل طبیعی با هوش مصنوعی

4-4 چارچوب کلی الگوریتم های ژنتیک

4-4-1 شرط پایان الگوریتم

4-5 روش های نمایش

4-6 عملگرهای الگوریتم ژنتیک

4-6-1 تابع سازگاری

4-6-2 انتخاب

4-6-3 CrossOver

4-6-4 موتاسیون ( جهش )

4-6-5 جایگزینی

4-7 مزایا و معایب

4-8 کاربردهای الگوریتم ژنتیک

4-8-1 نمونه ای از کاربرد در مسائل بهینه سازی مهندسی نفت

4-8-2 کاربرد الگوریتم ژنتیک در شبکه های عصبی

4-8-3 هایپر هیوریستیک

4-9 روند الگوریتم ژنتیک با یک نمونه ساده

نتیجه

نرم افزار یادگیری زبان انگلیسی ABC English Made Easy 2010

این نرم افزار برای علاقه مندان به فراگیری زبان انگلیسی در سطوح مبتدی مناسب می باشد.

ABC English Made Easy 2010 زبان انگلیسی یادگیری

سجاد سه‌شنبه 26 مرداد 1395 ساعت 01:12